← Archive
lm-003111 · 2026-08

流量狀態空間：從人類注意力到機器可執行注意力的型別化流量理論

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇
📎 附件 · Companion files — 隨文交付的程式 / 證明 / 資料，可獨立下載重驗

EOID Supplementary Paper 01

流量狀態空間：從人類注意力到機器可執行注意力的型別化流量理論

Traffic State-Space Analytics: A Typed Traffic Theory from Human Attention to Machine-Executable Attention

作者：Neo.K（許筌崴）
機構：EveMissLab
所屬框架：Existence-to-Outcome Information Dynamics（EOID）
補充框架名稱：Typed Traffic State-Space Analytics（TTSA）
版本：v0.1
日期：2026-08-14

摘要

傳統網站分析常將「流量」壓縮為 page views、visits、sessions、requests 或 referrals 等少數標量。然而，在 AI crawler、RAG retriever、AI search、autonomous agent、MCP tool、machine-to-machine payment 與 outcome-based service 同時存在的網路中，相同的一次 HTTP request 可以代表完全不同的經濟、認知與資訊意義。一個請求可能只是無語義的健康檢查；也可能是 AI crawler 的抓取；可能進入 RAG context；可能真正參與 reasoning；可能被選為推薦資源；可能觸發 MCP invocation；甚至可能自動完成付款並直接產生下游商業結果。

本文提出「型別化流量狀態空間分析」（Typed Traffic State-Space Analytics, TTSA），將每一個有效流量事件 ee 表示為：

τe=(ae,ie,de,ue,ce,ℓe,re,te).\boxed{ \tau_e = ( a_e, i_e, d_e, u_e, c_e, \ell_e, r_e, t_e ). }

其中：

  • aea_e：Actor Type，流量主體；
  • iei_e：Intent，意圖；
  • ded_e：Depth，使用深度；
  • ueu_e：Utility，對當前任務的機器／人類效用；
  • cec_e：Conversion / Economic State，轉換與支付狀態；
  • ℓe\ell_e：Persistence，持久與重用程度；
  • rer_e：Downstream Reach，後續可影響的人類／機器範圍；
  • tet_e：時間。

本文區分 Raw Traffic、Human Attention、Machine Attention 與 Executable Attention。Machine Attention 定義為：一個機器系統將有限的 retrieval、compute、context、reasoning、selection 或 action budget 實際配置給某個資訊資源。因而：

Machine Attention⊆Machine Traffic,\boxed{ \text{Machine Attention} \subseteq \text{Machine Traffic}, }

但所有 automated traffic 並不必然是 attention。

本文證明 Scalar Traffic Insufficiency Theorem：若不同 traffic states 的價值函數 v(τ)v(\tau) 不是常數，則存在相同 raw traffic count：

N1=N2N_1=N_2

但不同總價值：

V1≠V2.V_1\neq V_2.

甚至可出現：

NA>NBN_A>N_B

但：

VA<VB.V_A<V_B.

因此「流量更多」不構成「流量更有價值」的普遍判準。

本文再定義 Machine Attention Depth：

dM∈{0,1,2,3,4,5}d_M \in \{ 0,1,2,3,4,5 \}

分別對應 Crawl / Retrieve / Context / Reason / Select / Invoke，並將付款與 outcome 放入獨立 conversion state。這使 AI traffic 可以形成：

Machine Discovery→Retrieval→Utility Evaluation→Selection→Invocation→Payment→Outcome.\boxed{ \text{Machine Discovery} \rightarrow \text{Retrieval} \rightarrow \text{Utility Evaluation} \rightarrow \text{Selection} \rightarrow \text{Invocation} \rightarrow \text{Payment} \rightarrow \text{Outcome}. }

Cloudflare 於 2025 年推出 Pay Per Crawl，2026 年又明確提出從 Pay Per Crawl 向 Pay Per Use 演進，理由正是 crawl count 只是粗糙的價值代理：單一頁面可能只抓取一次卻被用於大量回答，也可能被反覆抓取卻從未真正使用。Cloudflare 2026 年的 Monetization Gateway、x402 / MPP agentic payments 與 paid MCP tools 進一步使 request、tool call、resource consumption 與 payment 直接耦合。這些工程進展構成 TTSA 的現實動機，但本文不把 Cloudflare 的產品分類直接當成理論本身。

本文因此提出經濟演化：

Human Attention Economy→Dual Attention Economy→Executable Attention Economy.\boxed{ \text{Human Attention Economy} \rightarrow \text{Dual Attention Economy} \rightarrow \text{Executable Attention Economy}. }

其核心不是「注意力經濟被取代」，而是注意力主體由人類擴張為人類與機器，且機器注意力能更直接地轉成 invocation、payment 與 outcome。

關鍵詞： AI Traffic、Machine Attention、Typed Traffic、Agentic Payments、MCP、x402、Traffic Analytics、Executable Attention、EOID、TTSA

1. 問題：未來「流量」還是一個數嗎？

傳統分析常寫：

T=visits,T = \text{visits},

或：

T=requests.T = \text{requests}.

例如：

某網站一天有一百萬流量。

在 human-dominant Web 中，雖然這本來就不完整，但至少常能作為粗略 attention proxy。

Agentic Web 中，這句話開始嚴重失真。

因為：

106 human page views,10^6 \text{ human page views}, 106 crawler requests,10^6 \text{ crawler requests}, 106 RAG retrievals,10^6 \text{ RAG retrievals}, 106 paid MCP invocations10^6 \text{ paid MCP invocations}

不是同一種資訊事件。

因此：

Traffic Count\boxed{ \text{Traffic Count} }

不再足以描述：

Traffic State.\boxed{ \text{Traffic State}. }

2. Raw Traffic

令：

E={e1,…,eN}\mathcal E = \{ e_1,\ldots,e_N \}

為觀察窗口中的 network events。

Raw Traffic：

N=∣E∣.N = |\mathcal E|.

它只回答：

發生了多少個事件？

不回答：

  • 誰來的；
  • 為什麼來；
  • 用到什麼深度；
  • 有沒有實際價值；
  • 有沒有轉換；
  • 是否會重用；
  • 背後影響多少人。

3. Traffic Event State

本文定義：

τe=(ae,ie,de,ue,ce,ℓe,re,te).\boxed{ \tau_e = ( a_e, i_e, d_e, u_e, c_e, \ell_e, r_e, t_e ). }

這是 Typed Traffic State。

流量分析由：

N\boxed{ N }

升級為：

{τe}e=1N.\boxed{ \{\tau_e\}_{e=1}^{N}. }

4. Actor Type

定義：

ae∈A.a_e \in \mathcal A.

可包括：

A={human,search crawler,training crawler,retrieval agent,reasoning agent,service agent,system bot}.\mathcal A = \{ \mathrm{human}, \mathrm{search\ crawler}, \mathrm{training\ crawler}, \mathrm{retrieval\ agent}, \mathrm{reasoning\ agent}, \mathrm{service\ agent}, \mathrm{system\ bot} \}.

這裡最重要的第一個分離是：

Human Traffic≠Machine Traffic.\boxed{ \text{Human Traffic} \neq \text{Machine Traffic}. }

5. Automated Traffic 不等於 Machine Attention

machine traffic 中包含：

  • uptime monitor；
  • vulnerability scanner；
  • spam bot；
  • malicious scraper；
  • cache warmer；
  • AI crawler；
  • RAG agent；
  • autonomous buyer。

因此不能寫：

Machine Traffic=Machine Attention.\text{Machine Traffic} = \text{Machine Attention}.

本文定義 Machine Attention：

一個機器系統為完成語義任務，將有限的 retrieval、compute、context、reasoning、selection 或 action budget 實際配置給某個 resource。

因此：

AM⊆TM.\boxed{ \mathcal A_M \subseteq \mathcal T_M. }

其中：

TM=Machine Traffic,\mathcal T_M = \text{Machine Traffic}, AM=Machine Attention.\mathcal A_M = \text{Machine Attention}.

6. Human Attention

對 human event：

eH,e_H,

可傳統地寫：

Impression→Attention→Click→Conversion.\text{Impression} \rightarrow \text{Attention} \rightarrow \text{Click} \rightarrow \text{Conversion}.

人類 attention 通常需要再經 persuasion、decision 與 action 才能產生交易。

7. Machine Attention

Machine Attention 可能直接：

Retrieve→Evaluate→Invoke.\text{Retrieve} \rightarrow \text{Evaluate} \rightarrow \text{Invoke}.

甚至：

Attend→Pay→Act.\boxed{ \text{Attend} \rightarrow \text{Pay} \rightarrow \text{Act}. }

因此 machine attention 和 action 的距離可以比 human attention 短。

8. Dual Attention

定義總 attention：

Atotal=AH+AM.\boxed{ \mathcal A_{\mathrm{total}} = \mathcal A_H + \mathcal A_M. }

但這不是說兩者具有相同單位價值。

它只表示：

網路上的有限選擇資源已同時來自人與機器。

因此下一代 attention analytics 必須 typed。

9. Intent

定義：

ie∈I.i_e \in \mathcal I.

例如：

I={crawl,index,train,verify,compare,retrieve,reason,recommend,invoke,purchase}.\mathcal I = \{ \text{crawl}, \text{index}, \text{train}, \text{verify}, \text{compare}, \text{retrieve}, \text{reason}, \text{recommend}, \text{invoke}, \text{purchase} \}.

同一 actor 也可具有不同 intent。

所以：

Actor Type≠Intent.\boxed{ \text{Actor Type} \neq \text{Intent}. }

10. Search Bot、Training Bot、Agent Bot

同樣是 AI-related traffic：

a=machine,a=\mathrm{machine},

但 intent 可完全不同：

i=train,i=\mathrm{train}, i=search,i=\mathrm{search}, i=agent.i=\mathrm{agent}.

因此只寫：

AI Traffic\boxed{ \text{AI Traffic} }

會把差異巨大的事件壓成同一類。

11. Machine Attention Depth

本文定義：

dM∈{0,1,2,3,4,5}.d_M \in \{ 0,1,2,3,4,5 \}.

Depth 0：Crawl

dM=0.d_M=0.

resource 被 fetch。

Depth 1：Retrieve

dM=1.d_M=1.

resource 被 retrieval system 選入候選。

Depth 2：Context

dM=2.d_M=2.

resource 真正進入 model context / working memory。

Depth 3：Reason

dM=3.d_M=3.

resource 的資訊實際參與 reasoning / synthesis。

Depth 4：Select

dM=4.d_M=4.

resource 被 agent 選為 recommendation / decision input。

Depth 5：Invoke

dM=5.d_M=5.

resource / tool / API 被實際執行。

12. Depth 不是 Conversion

付款不直接放在 depth。

因為：

dM=5d_M=5

可以是 free API invocation。

也可以是 paid invocation。

所以：

Usage Depth≠Economic Conversion.\boxed{ \text{Usage Depth} \neq \text{Economic Conversion}. }

13. Economic State

定義：

ce∈CE.c_e \in \mathcal C_E.

例如：

CE={none,indirect value,paid access,paid invocation,usage metering,outcome payment}.\mathcal C_E = \{ \text{none}, \text{indirect value}, \text{paid access}, \text{paid invocation}, \text{usage metering}, \text{outcome payment} \}.

這使同樣：

dM=5d_M=5

可以具有不同商業狀態。

14. Utility

對 agent goal：

g,g,

定義：

ue=U(re∣g).u_e = U ( r_e \mid g ).

它表示 resource 對當前任務的效用估計。

因此 machine traffic 不是只有：

whether requested.\text{whether requested}.

還有：

whether useful.\boxed{ \text{whether useful}. }

15. Agent Purchase Rule

對 resource rr，價格：

p(r).p(r).

agent 可用最簡規則：

Buy⁡(r∣g)=1[U(r∣g)≥p(r)+Clatency+Crisk].\boxed{ \operatorname{Buy}(r\mid g) = \mathbf 1 [ U(r\mid g) \ge p(r) + C_{\mathrm{latency}} + C_{\mathrm{risk}} ]. }

這裡：

UU

是 agent-estimated utility，

不是人類 popularity。

16. Agentic Utility Value

本文稱：

UM(r∣g)\boxed{ U_M(r\mid g) }

為 Machine / Agentic Utility Value。

因此未來 resource 可以：

Hhuman≈0H_{\mathrm{human}}\approx0

但：

UM≫0.U_M\gg0.

這代表：

人類知名度低≠機器經濟價值低.\boxed{ \text{人類知名度低} \neq \text{機器經濟價值低}. }

17. Persistence

定義：

ℓe∈[0,∞).\ell_e \in[0,\infty).

它描述一次 traffic event 的資訊後效應。

人類一次閱讀可能快速衰減。

machine retrieval 則可能：

  • cache；
  • index；
  • store embedding；
  • reuse；
  • appear in repeated answers。

所以：

One Request\boxed{ \text{One Request} }

可能產生：

Many Future Uses.\boxed{ \text{Many Future Uses}. }

18. Persistence Kernel

令：

qe(τ)q_e(\tau)

表示 event ee 在未來時間 τ\tau 被再次利用的 probability / weight。

定義：

Le=∑τ=0∞γτqe(τ),L_e = \sum_{\tau=0}^{\infty} \gamma^\tau q_e(\tau),

其中：

0<γ≤1.0<\gamma\le1.

稱：

Traffic Persistence Value.\boxed{ \text{Traffic Persistence Value}. }

19. Crawl Count vs Use Count

若 resource 被 crawl 一次：

Ncrawl=1,N_{\mathrm{crawl}}=1,

但未來被用：

Nuse=1000,N_{\mathrm{use}}=1000,

則 request count 明顯低估 downstream utilization。

反之：

Ncrawl=1000,N_{\mathrm{crawl}}=1000,

但：

Nuse=0,N_{\mathrm{use}}=0,

則 crawl count 高估 utility。

因此：

Crawl≠Use.\boxed{ \text{Crawl} \neq \text{Use}. }

20. Pay Per Crawl 到 Pay Per Use

這也解釋目前 agentic web monetization 為何開始由：

Pay Per Crawl\boxed{ \text{Pay Per Crawl} }

轉向：

Pay Per Use.\boxed{ \text{Pay Per Use}. }

真正的 value event 更接近：

dM≥2d_M\ge2

甚至：

dM≥4,d_M\ge4,

而不是單純：

dM=0.d_M=0.

21. Downstream Reach

定義：

re=E[number or measure of downstream humans / agents affected by event e].r_e = E[ \text{number or measure of downstream humans / agents affected by event }e ].

因此：

1 machine request\boxed{ 1\text{ machine request} }

不必對應：

1 user.1\text{ user}.

22. One Agent, Many Humans

一個 enterprise agent request 可能服務：

103,10510^3, 10^5

甚至更多 downstream users。

因此：

Nrequest=1N_{\mathrm{request}}=1

但：

re≫1.r_e\gg1.

反之 crawler：

Nrequest≫1N_{\mathrm{request}}\gg1

卻可能：

re≈0.r_e\approx0.

23. Request Count ≠ Reach

因此：

Machine Request Count≠Downstream Human Reach.\boxed{ \text{Machine Request Count} \neq \text{Downstream Human Reach}. }

這是未來 analytics 很容易誤判的另一層。

24. Traffic Value Function

對 event：

τ,\tau,

定義：

v(τ).v(\tau).

它可以由：

v(τ)=F(a,i,d,u,c,ℓ,r,t)v(\tau) = F ( a,i,d,u,c,\ell,r,t )

產生。

總 traffic value：

V(E)=∑e∈Ev(τe).\boxed{ V(\mathcal E) = \sum_{e\in\mathcal E} v(\tau_e). }

25. Scalar Traffic Insufficiency Theorem

定理 1

若：

v(τ)v(\tau)

在合法 traffic state space 上不是常數，則存在兩個 event sets：

E1,E2\mathcal E_1, \mathcal E_2

使：

∣E1∣=∣E2∣=N|\mathcal E_1| = |\mathcal E_2| = N

但：

V(E1)≠V(E2).V(\mathcal E_1) \neq V(\mathcal E_2).

證明

因 vv 非常數，存在：

τH,τL\tau_H,\tau_L

使：

v(τH)>v(τL).v(\tau_H)>v(\tau_L).

構造：

E1\mathcal E_1

包含 NN 個 τH\tau_H events；

E2\mathcal E_2

包含 NN 個 τL\tau_L events。

則：

∣E1∣=∣E2∣=N,|\mathcal E_1| = |\mathcal E_2| = N,

但：

V(E1)=Nv(τH)>Nv(τL)=V(E2).V(\mathcal E_1) = Nv(\tau_H) > Nv(\tau_L) = V(\mathcal E_2). □\boxed{\square}

26. Traffic Rank Reversal Corollary

更強地，取：

NA>NBN_A>N_B

但：

vA≪vB.v_A\ll v_B.

若：

NAvA<NBvB,N_Av_A < N_Bv_B,

則：

NA>NBbutVA<VB.\boxed{ N_A>N_B \quad \text{but} \quad V_A<V_B. }

所以：

More Traffic⇏More Value.\boxed{ \text{More Traffic} \not\Rightarrow \text{More Value}. }

27. 最簡數值例

網站 A：

NA=1,000,000,N_A=1,000,000,

每次 event value：

vA=10−5.v_A=10^{-5}.

因此：

VA=10.V_A=10.

網站 B：

NB=10,000,N_B=10,000,

但：

vB=0.01.v_B=0.01.

因此：

VB=100.V_B=100.

所以：

NA=100NB,N_A=100N_B,

但：

VA=0.1VB.V_A=0.1V_B.

28. Typed Traffic Tensor

為實務聚合，可定義：

Ta,i,d(t)\boxed{ T_{a,i,d}(t) }

表示時間窗 tt 中：

  • actor type aa ；
  • intent ii ；
  • depth dd

的 event count。

因此：

N(t)=∑a,i,dTa,i,d(t).N(t) = \sum_{a,i,d} T_{a,i,d}(t).

但 raw NN 是 tensor 的總和投影。

29. Higher-Dimensional Traffic Tensor

更完整：

Ta,i,d,c,ℓ,r(t).T_{a,i,d,c,\ell,r}(t).

實務上不一定真的建立六階 dense tensor。

可以使用 event table / sparse cube。

核心概念是：

Traffic Has Type and State.\boxed{ \text{Traffic Has Type and State}. }

30. Human Traffic Funnel

傳統 human funnel：

Impression→Attention→Click→Conversion→Revenue.\boxed{ \text{Impression} \rightarrow \text{Attention} \rightarrow \text{Click} \rightarrow \text{Conversion} \rightarrow \text{Revenue}. }

它仍然有效。

只是它不再描述全部 Internet traffic。

31. Machine Traffic Funnel

Machine funnel：

Discovery→Retrieval→Context→Reasoning→Selection→Invocation→Payment→Outcome.\boxed{ \text{Discovery} \rightarrow \text{Retrieval} \rightarrow \text{Context} \rightarrow \text{Reasoning} \rightarrow \text{Selection} \rightarrow \text{Invocation} \rightarrow \text{Payment} \rightarrow \text{Outcome}. }

因此 machine traffic analytics 需要比 session analytics 更細的 semantic depth。

32. Executable Attention

本文定義：

Executable Attention\boxed{ \text{Executable Attention} }

為：

已經由選擇／判斷跨入 action、invocation 或 transaction 的注意力。

最簡：

dM≥5.d_M\ge5.

如果 payment 與 outcome 另外計算，Executable Attention 不等於 Paid Attention。

33. Paid Attention

定義：

AMpaid={e:ae∈AM,ce∈{paid access,paid invocation,outcome payment}}.\mathcal A_M^{\mathrm{paid}} = \{ e: a_e\in\mathcal A_M, c_e\in \{ \text{paid access}, \text{paid invocation}, \text{outcome payment} \} \}.

因此：

Machine Attention⊇Executable Attention⊇Paid Executable Attention\boxed{ \text{Machine Attention} \supseteq \text{Executable Attention} \supseteq \text{Paid Executable Attention} }

在適當事件分類下成立。

34. Machine Attention Conversion Rate

定義：

ηM=Nuseful/paid invocationNmachine attention.\eta_M = \frac{ N_{\mathrm{useful/paid\ invocation}} }{ N_{\mathrm{machine\ attention}} }.

更細可分：

ηCR=NretrieveNcrawl,\eta_{CR} = \frac{ N_{\mathrm{retrieve}} }{ N_{\mathrm{crawl}} }, ηRC=NcontextNretrieve,\eta_{RC} = \frac{ N_{\mathrm{context}} }{ N_{\mathrm{retrieve}} }, ηCS=NselectNcontext,\eta_{CS} = \frac{ N_{\mathrm{select}} }{ N_{\mathrm{context}} }, ηSI=NinvokeNselect,\eta_{SI} = \frac{ N_{\mathrm{invoke}} }{ N_{\mathrm{select}} }, ηIP=NpaidNinvoke.\eta_{IP} = \frac{ N_{\mathrm{paid}} }{ N_{\mathrm{invoke}} }.

35. Crawl-to-Click Gap vs Crawl-to-Use Gap

傳統 publisher 關心：

crawler requests→human referrals.\text{crawler requests} \rightarrow \text{human referrals}.

AI 時代還需要：

crawl→use→invoke→pay.\boxed{ \text{crawl} \rightarrow \text{use} \rightarrow \text{invoke} \rightarrow \text{pay}. }

所以 referral traffic 已不是唯一 downstream value。

36. Attention Economy Revisited

傳統：

Content→Human Attention→Ads / Subscription / Purchase.\boxed{ \text{Content} \rightarrow \text{Human Attention} \rightarrow \text{Ads / Subscription / Purchase}. }

未來同時出現：

Resource→Machine Attention→Invocation / Payment.\boxed{ \text{Resource} \rightarrow \text{Machine Attention} \rightarrow \text{Invocation / Payment}. }

因此不是 attention economy 消失。

而是：

Attention Actor Set Expands.\boxed{ \text{Attention Actor Set Expands}. }

37. Dual Attention Economy

本文定義：

Dual Attention Economy\boxed{ \text{Dual Attention Economy} }

為 human attention 與 machine attention 同時具有可交易價值的網路經濟。

其總經濟值：

Vtotal=VH+VM+VHM,V_{\mathrm{total}} = V_H + V_M + V_{HM},

其中：

VHMV_{HM}

表示 machine attention 轉成人類 downstream outcome 的 cross-effect。

38. Executable Attention Economy

當：

Machine Attention\text{Machine Attention}

能直接：

Invoke→Pay→Act,\text{Invoke} \rightarrow \text{Pay} \rightarrow \text{Act},

本文稱：

Executable Attention Economy.\boxed{ \text{Executable Attention Economy}. }

其自然計費單位不必是：

monthly seat.\text{monthly seat}.

可以是：

  • request；
  • token；
  • query；
  • tool call；
  • compute；
  • outcome。

39. Economic Access Layer

EOID 原有：

Access→Discoverability.\text{Access} \rightarrow \text{Discoverability}.

Agentic Web 中可插入：

Economic Access.\boxed{ \text{Economic Access}. }

即：

Accessible→Priced→Utility Evaluation→Paid Access.\text{Accessible} \rightarrow \text{Priced} \rightarrow \text{Utility Evaluation} \rightarrow \text{Paid Access}.

40. Price as a Traffic Gate

定義 resource price：

p(r).p(r).

則 machine discoverability 的經濟有效版本可寫：

DMecon(r)=DM(r)P(UM(r∣g)>p(r)+Cother).D_M^{\mathrm{econ}}(r) = D_M(r) P \left( U_M(r\mid g) > p(r)+C_{\mathrm{other}} \right).

因此：

Machine-Discoverable≠Machine-Purchasable.\boxed{ \text{Machine-Discoverable} \neq \text{Machine-Purchasable}. }

41. Cloudflare Pay Per Crawl

Pay Per Crawl 將：

dM=0d_M=0

的 crawler access 變成可能的 economic conversion。

也就是：

Crawl→402→Payment→Content.\text{Crawl} \rightarrow \text{402} \rightarrow \text{Payment} \rightarrow \text{Content}.

這是把 machine traffic 直接商品化的一個早期形式。

42. Pay Per Use

但 crawl count 無法表示 actual use depth。

因此：

Pay Per Crawl\text{Pay Per Crawl}

自然可能演化為：

Pay Per Use.\boxed{ \text{Pay Per Use}. }

例如：

  • pay per query；
  • pay when selected in search；
  • pay per tool call；
  • pay per output；
  • pay per outcome。

43. Paid MCP Tool

若 agent 執行 MCP tool：

dM=5,d_M=5,

且：

ce=paid invocation,c_e=\text{paid invocation},

則它代表的經濟語義與 crawler fetch 明顯不同。

所以 analytics 不應把兩者共同記成：

1 request.1\text{ request}.

44. x402 / MPP as Machine Transaction Layer

HTTP：

402 Payment Required402\ \text{Payment Required}

使：

Request→Price Discovery→Programmatic Payment→Resource Access.\boxed{ \text{Request} \rightarrow \text{Price Discovery} \rightarrow \text{Programmatic Payment} \rightarrow \text{Resource Access}. }

因此 payment state 已可以成為 traffic event 的一部分。

45. Traffic Persistence Theorem

定理 2

若兩組 traffic events 具有相同 request count：

N1=N2=N,N_1=N_2=N,

且單次即時 value 相同，但 persistence：

L1≠L2,L_1\neq L_2,

則以 discounted reuse value：

VL=∑eveLeV_L = \sum_e v_eL_e

衡量時：

VL,1≠VL,2.V_{L,1}\neq V_{L,2}.

證明

若所有 event 即時 value：

v>0,v>0,

第一組：

Le=L1,L_e=L_1,

第二組：

Le=L2.L_e=L_2.

則：

VL,1=NvL1,V_{L,1}=NvL_1, VL,2=NvL2.V_{L,2}=NvL_2.

若：

L1≠L2,L_1\neq L_2,

則結果不同。

□\boxed{\square}

46. Request Count Underestimates Reuse

因此：

one fetch\boxed{ \text{one fetch} }

可能造成長期 reuse，

而：

many fetches\boxed{ \text{many fetches} }

也可能毫無 downstream reuse。

Traffic value 不能只由 server-side request count 判斷。

47. Downstream Reach Theorem

定理 3

若不同 traffic events 具有不同 downstream reach：

re,r_e,

則 request count：

NN

不能唯一決定總 downstream reach：

RD=∑ere.R_D = \sum_e r_e.

證明與 Scalar Traffic Insufficiency 相同。

因此：

Request Count⇏Human / Agent Reach.\boxed{ \text{Request Count} \not\Rightarrow \text{Human / Agent Reach}. }

48. Traffic State-Space Value

完整 value 可寫：

VT=∫Tv(a,i,d,u,c,ℓ,r,t) dν.\boxed{ V_T = \int_{\mathcal T} v(a,i,d,u,c,\ell,r,t) \,d\nu. }

其中：

ν\nu

是 traffic event measure。

傳統 raw traffic：

N=∫T1 dν.N = \int_{\mathcal T} 1\,d\nu.

因此 raw count 是取：

v≡1v\equiv1

的特例。

49. Raw Analytics as Projection

所以：

N\boxed{ N }

只是高維 traffic state 的一維投影。

同樣：

  • page views；
  • requests；
  • sessions；

都只是不同 projection。

TTSA 不否定它們，而是指出：

projection is not the full state.\boxed{ \text{projection is not the full state}. }

50. Traffic Type Entropy

令 traffic type proportions：

pk.p_k.

定義：

HT=−∑kpklog⁡pk.H_T = -\sum_kp_k\log p_k.

有效 traffic types：

NTeff=eHT.N_T^{\mathrm{eff}} = e^{H_T}.

它衡量網站流量是否高度單一或多型。

51. Machine Depth Distribution

定義：

pd=N(dM=d)NM.p_d = \frac{ N(d_M=d) }{ N_M }.

平均 depth：

dˉM=∑d=05dpd.\bar d_M = \sum_{d=0}^{5} dp_d.

一個網站可以：

NM≫0N_M\gg0

但：

dˉM≈0,\bar d_M\approx0,

表示 AI 很常 crawl，卻幾乎不真正 use。

52. High-Depth Low-Volume Traffic

另一網站可：

NM≪1N_M\ll1

但：

dˉM≈5.\bar d_M\approx5.

表示流量很少，卻幾乎全部是 invocation。

因此：

Low Traffic Volume⇏Low Machine Economic Value.\boxed{ \text{Low Traffic Volume} \not\Rightarrow \text{Low Machine Economic Value}. }

53. Site Archetype A

Human-heavy site：

TH≫TM.T_H\gg T_M.

收益主要：

ads / subscription / commerce.\text{ads / subscription / commerce}.

54. Site Archetype B

Crawler-heavy site：

TM≫TH,T_M\gg T_H,

但：

dˉM≈0.\bar d_M\approx0.

可能消耗大量 server resources，卻產生低 direct value。

55. Site Archetype C

Agent-utility site：

TH≪TM,T_H\ll T_M, dˉM≫0,\bar d_M\gg0, UM≫0.U_M\gg0.

人類不一定熟悉，但 agent 很常真正使用。

56. Site Archetype D

Paid-invocation infrastructure：

NMN_M

不一定高，

但：

ηIP≈1.\eta_{IP}\approx1.

每次 invoke 幾乎都直接產生 payment。

這類 site 的 raw traffic 可能遠低於廣告網站，但 unit economic value 高。

57. AI-Only Economic Visibility

因此未來可存在：

Hhuman≈0,H_{\mathrm{human}}\approx0, Mrecognizable≫0,M_{\mathrm{recognizable}}\gg0, UM≫0,U_M\gg0, Tpaid≫0.T_{\mathrm{paid}}\gg0.

也就是：

Human-Obscure but Machine-Economically Important.\boxed{ \text{Human-Obscure but Machine-Economically Important}. }

58. Machine Attention Quality

定義：

QAM=∑e∈AMwe∣AM∣.Q_{A_M} = \frac{ \sum_{e\in\mathcal A_M} w_e }{ |\mathcal A_M| }.

其中 wew_e 可以綜合：

  • depth；
  • utility；
  • conversion；
  • persistence；
  • downstream reach。

因此：

Machine Attention Quality\boxed{ \text{Machine Attention Quality} }

與：

Machine Attention Volume\boxed{ \text{Machine Attention Volume} }

可完全分離。

59. Typed Revenue Attribution

定義 revenue by traffic type：

Yk=∑e∈Ekye.Y_k = \sum_{e\in\mathcal E_k} y_e.

則：

Y=∑kYk.Y = \sum_kY_k.

可計：

RPM⁡k=YkNk.\operatorname{RPM}_k = \frac{ Y_k }{ N_k }.

不同 traffic type 的：

RPM⁡k\operatorname{RPM}_k

可以差幾個數量級。

60. Cost Side

machine traffic 也有 cost：

CT=Cbandwidth+Ccompute+Corigin+Csecurity.C_T = C_{\mathrm{bandwidth}} + C_{\mathrm{compute}} + C_{\mathrm{origin}} + C_{\mathrm{security}}.

所以真正 net value：

VTnet=VT−CT.V_T^{\mathrm{net}} = V_T-C_T.

高 crawler traffic 甚至可能：

VTnet<0.V_T^{\mathrm{net}}<0.

61. Beneficial vs Harmful AI Traffic

因此「AI crawler 是好是壞」不能由：

NAIN_{\mathrm{AI}}

回答。

需要：

Value−Cost+Future Reach+Persistence.\boxed{ \text{Value} - \text{Cost} + \text{Future Reach} + \text{Persistence}. }

這正是細粒度 attribution analytics 的需求。

62. Intent Authentication

若 machine actor 可以宣告：

ie,i_e,

網站可以依 intent 制定：

  • allow；
  • block；
  • charge；
  • free access；
  • special pricing。

但自我宣告 intent 可能不可信。

因此：

Typed Traffic Analytics\boxed{ \text{Typed Traffic Analytics} }

還需要：

Traffic Identity / Authentication.\boxed{ \text{Traffic Identity / Authentication}. }

63. Verified Machine Identity

可利用：

  • cryptographic bot identity；
  • signed requests；
  • registered agents；
  • account identity。

如此：

aea_e

與：

iei_e

才能更可靠。

這是 monetization 與 attribution 的基礎。

64. Traffic Price Discrimination

如果 traffic type 可驗證：

p=p(a,i,d).p = p(a,i,d).

例如：

  • human free；
  • search crawler free；
  • training crawler charged；
  • agent tool call charged；
  • paid API metered。

所以價格也會成為 typed traffic function。

65. Dynamic Pricing

更一般：

pe=p(a,i,d,u,t,load).p_e = p ( a,i,d,u,t,\text{load} ).

agent 可比較：

UMU_M

與：

pe.p_e.

這形成 machine-to-machine 即時市場。

66. Outcome-Based Traffic

如果付費條件不是 request，而是：

successful outcome,\text{successful outcome},

則 traffic analytics 必須把：

erequeste_{\mathrm{request}}

與：

eoutcomee_{\mathrm{outcome}}

關聯。

因此：

Traffic Attribution\boxed{ \text{Traffic Attribution} }

會從 request-level 進入 causal outcome attribution。

67. Traffic Chain

machine economic chain：

Discover→Retrieve→Use→Select→Invoke→Pay→Outcome.\boxed{ \text{Discover} \rightarrow \text{Retrieve} \rightarrow \text{Use} \rightarrow \text{Select} \rightarrow \text{Invoke} \rightarrow \text{Pay} \rightarrow \text{Outcome}. }

每一層都可計：

ηi.\eta_i.

68. Machine Traffic Bottleneck

定義：

b0=P(retrieve∣crawl),b_0 = P(\text{retrieve}\mid\text{crawl}), b1=P(use∣retrieve),b_1 = P(\text{use}\mid\text{retrieve}), b2=P(select∣use),b_2 = P(\text{select}\mid\text{use}), b3=P(invoke∣select),b_3 = P(\text{invoke}\mid\text{select}), b4=P(pay∣invoke).b_4 = P(\text{pay}\mid\text{invoke}).

則：

P(paid use∣crawl)=∏i=04biP(\text{paid use}\mid\text{crawl}) = \prod_{i=0}^{4}b_i

在簡化 chain 下成立。

69. EOID Interface

TTSA 是 EOID 中：

Access→Discoverability→Propagation→Outcome\boxed{ \text{Access} \rightarrow \text{Discoverability} \rightarrow \text{Propagation} \rightarrow \text{Outcome} }

之間的 traffic-state refinement。

它不是獨立於 EOID 的另一套宇宙。

而是補充：

當 transition 真的以 network traffic 實現時，traffic 本身需要被型別化。

70. Machine Traffic and EOID Layers

對應：

Crawl

X2.\mathcal X_2.

Retrieve

X2→X3.\mathcal X_2\rightarrow\mathcal X_3.

Context / Reason

X3→X4.\mathcal X_3\rightarrow\mathcal X_4.

Select

X4→X5.\mathcal X_4\rightarrow\mathcal X_5.

Invoke / Pay

X5→X7\mathcal X_5\rightarrow\mathcal X_7

可繞過傳統 human prominence。

因此 agentic traffic 可能創造新的 optional edges。

71. Human Fame Not Required

某 API 可以：

H0≈0,H_0\approx0,

卻：

Tinvoke≫0.T_{\mathrm{invoke}}\gg0.

這就是 EOID 中：

Machine Route bypasses Human Prominence.\boxed{ \text{Machine Route bypasses Human Prominence}. }

所以 machine economy 對 fame 的依賴可能弱於 human consumer economy。

72. Machine Discoverability Becomes Economic

EOID 的：

DMD_M

在 agentic payment 下不只影響 recognition。

還可以直接：

DM→Paid Invocation.D_M \rightarrow \text{Paid Invocation}.

因此 Machine Discoverability 開始直接具有 economic elasticity。

73. Traffic State-Space Analytics

本文定義 TTSA dashboard 至少包含：

  1. Human Traffic；
  2. Automated Traffic；
  3. Machine Attention；
  4. Machine Attention Depth；
  5. Intent Mix；
  6. Crawl-to-Retrieve；
  7. Retrieve-to-Use；
  8. Use-to-Invoke；
  9. Invoke-to-Pay；
  10. Persistence；
  11. Downstream Reach；
  12. Revenue / Cost by Type。

74. Minimum TTSA Vector

對網站：

T=(TH,TB,TM,dˉM,UˉM,ηM,Lˉ,RˉD,YM).\boxed{ \mathbf T = ( T_H, T_B, T_M, \bar d_M, \bar U_M, \eta_M, \bar L, \bar R_D, Y_M ). }

其中：

  • THT_H：human traffic；
  • TBT_B：non-attentional bot traffic；
  • TMT_M：machine attention traffic；
  • dˉM\bar d_M：平均 machine depth；
  • UˉM\bar U_M：平均 agent utility；
  • ηM\eta_M：machine conversion rate；
  • Lˉ\bar L：persistence；
  • RˉD\bar R_D：downstream reach；
  • YMY_M：machine-generated revenue。

75. Traffic Quality Index

如果需要單一 dashboard summary，可以定義：

TQI⁡=∑ew(τe)N+ϵ.\operatorname{TQI} = \frac{ \sum_e w(\tau_e) }{ N+\epsilon }.

但本文強調：

任何 scalar TQI 都只是 state-space projection.\boxed{ \text{任何 scalar TQI 都只是 state-space projection}. }

不能重新把全部複雜性壓成唯一真值。

76. Traffic Portfolio

網站 traffic 可以像 portfolio：

p=(pH,pcrawl,pretrieve,pinvoke,ppaid).\mathbf p = ( p_H, p_{\mathrm{crawl}}, p_{\mathrm{retrieve}}, p_{\mathrm{invoke}}, p_{\mathrm{paid}} ).

不同 business model 的最優 portfolio 不同。

例如 publisher 與 paid API 的理想 traffic 結構不應相同。

77. Machine Traffic Concentration Risk

若所有 paid traffic 來自單一 agent：

p1≈1,p_1\approx1,

則 revenue concentration 很高。

可定義：

HHIM=∑jsj2HHI_M = \sum_j s_j^2

衡量 machine-client concentration。

78. Agent Dependency

即使：

YM≫0,Y_M\gg0,

若：

HHIM→1,HHI_M\rightarrow1,

網站高度依賴單一 agent ecosystem。

因此 machine traffic quality 還要加入：

client diversity.\boxed{ \text{client diversity}. }

79. Traffic Persistence Risk

高 persistence 可帶來 value。

但若內容被永久 cache 而不再返回 origin：

Nfuture request↓.N_{\mathrm{future\ request}}\downarrow.

因此 persistence 對 publisher monetization 可能有正負兩面。

需要區分：

usage persistence\boxed{ \text{usage persistence} }

與：

return traffic persistence.\boxed{ \text{return traffic persistence}. }

80. Attribution Problem

若 AI crawl 一次，之後在一千個 answers 中使用內容，origin 是否能知道？

若不知道：

Use Attribution Gap\boxed{ \text{Use Attribution Gap} }

會出現。

所以 Pay Per Use 需要比 request log 更深的 attribution protocol。

81. Traffic Observability Layers

定義：

O0

只有 request log。

O1

知道 bot identity。

O2

知道 intent。

O3

知道 retrieval/use。

O4

知道 invocation/payment。

O5

知道 downstream outcome。

越往下：

traffic value becomes more identifiable.\boxed{ \text{traffic value becomes more identifiable}. }

82. Traffic Non-Identifiability

若只觀察：

Nrequest,N_{\mathrm{request}},

則：

d,u,c,ℓ,rd, u, c,\ell,r

都未知。

因此同一 request count 對應大量不同 latent traffic states。

這與 EOID 的 proxy collision 同構。

83. Typed Traffic Benchmark

本文提出：

EOID-TTSA Benchmark

每個 event 記：

(actor,intent,depth,utility,conversion,persistence,downstream reach,cost,revenue,t).( \text{actor}, \text{intent}, \text{depth}, \text{utility}, \text{conversion}, \text{persistence}, \text{downstream reach}, \text{cost}, \text{revenue}, t ).

84. Benchmark Domains

至少包含：

  1. content publisher；
  2. documentation site；
  3. public dataset；
  4. paid API；
  5. MCP tool server；
  6. AI search index；
  7. e-commerce site；
  8. human-media site；
  9. machine-first infrastructure；
  10. hybrid human-agent service。

85. 可檢驗假說

H1：Scalar Insufficiency

控制 raw request count 後，typed state mix 顯著提高 revenue / outcome prediction。

H2：Depth Value

dMd_M

與 downstream economic value 正相關，但非完美單調。

H3：Crawl-to-Use Gap

不同 resource 的：

NuseNcrawl\frac{N_{\mathrm{use}}}{N_{\mathrm{crawl}}}

具有高變異。

H4：Persistence Amplification

高：

LeL_e

的 machine events 在相同 crawl count 下產生較高 downstream reach。

H5：Human–Machine Decoupling

存在：

TH≪1T_H\ll1

但：

YM≫0Y_M\gg0

的 machine-first economic sites。

H6：Paid-Invocation Concentration

machine-native paid services 的 revenue 可高度集中於少量 agents，因此 HHI 應列為必要風險指標。

86. 與 Cloudflare 最新工程的關係

Cloudflare 已將 AI traffic 管理細分為 Search、Agent、Training 等 bot 類型，並推出 Attribution Business Insights 以區分哪些 crawler traffic 有價值、哪些只消耗資源。

這與 TTSA 的：

ae,iea_e, i_e

兩個維度直接相鄰。

但 TTSA 再往前加入：

d,u,c,ℓ,r.d, u, c, \ell,r.

87. Cloudflare Monetization Gateway

Monetization Gateway 將 web page、dataset、API、MCP tool 皆視為可 usage-based monetization 的 resource。

從 TTSA 看：

Resource Access\boxed{ \text{Resource Access} }

開始具有可程式化：

Economic State.\boxed{ \text{Economic State}. }

所以 traffic analytics 與 payment analytics 開始融合。

88. Agentic Payments

x402 與 MPP 允許 AI agent 在遇到：

402402

後自動付款並 retry。

因此：

Traffic Event\boxed{ \text{Traffic Event} }

第一次可以原生包含：

machine-native payment transition.\boxed{ \text{machine-native payment transition}. }

89. From Attention to Execution

因此本文修正「Invocation Economy 取代 Attention Economy」的過強說法。

更正確：

Human Attention Economy→Dual Attention Economy→Executable Attention Economy.\boxed{ \text{Human Attention Economy} \rightarrow \text{Dual Attention Economy} \rightarrow \text{Executable Attention Economy}. }

Invocation 是 machine attention 的深層狀態，不是 attention 的反義詞。

90. Final Non-Equivalence

因此：

Traffic≠Attention≠Utility≠Invocation≠Payment≠Outcome.\boxed{ \text{Traffic} \neq \text{Attention} \neq \text{Utility} \neq \text{Invocation} \neq \text{Payment} \neq \text{Outcome}. }

它們可以高度相關，但不是同一 variable。

91. Traffic Is Becoming Typed

本文最簡的總結是：

Traffic is becoming typed.\boxed{ \textbf{Traffic is becoming typed.} }

未來一句：

「我們有多少流量？」

會逐漸不夠。

更完整應問：

誰來？為什麼來？用到多深？有沒有真正使用？有沒有付款？這次使用能持續多久？又影響多少下游人與 agent？

92. 從 Traffic Analytics 到 Traffic State-Space Analytics

因此下一代 analytics 從：

Traffic Analytics\boxed{ \text{Traffic Analytics} }

升級為：

Traffic State-Space Analytics.\boxed{ \text{Traffic State-Space Analytics}. }

其研究單位不是 request count，而是 typed event trajectory。

93. EOID 補充定位

EOID 的核心：

Xi⇏Xi+1.X_i \not\Rightarrow X_{i+1}.

TTSA 在 traffic domain 給出對應版本：

Request⇏Use⇏Invocation⇏Payment⇏Outcome.\boxed{ \text{Request} \not\Rightarrow \text{Use} \not\Rightarrow \text{Invocation} \not\Rightarrow \text{Payment} \not\Rightarrow \text{Outcome}. }

因此 TTSA 是 EOID 在 machine-mediated network traffic 上的直接擴展。

94. 理論邊界

本文不主張：

  1. 所有 automated traffic 都是 attention；
  2. 所有 AI traffic 都有 positive utility；
  3. depth 越深價值一定越高；
  4. paid traffic 永遠比 free traffic 好；
  5. human traffic 將消失；
  6. request-level monetization 會完全消失；
  7. downstream reach 可以精確知道；
  8. machine utility 可以客觀無誤估計；
  9. persistence 一定提高 publisher revenue；
  10. x402 / MPP 是未來唯一 payment protocol；
  11. Cloudflare 的產品分類就是 TTSA 理論本身；
  12. 單一 Traffic Quality Index 能取代完整 state space。

本文只主張：

raw traffic count is no longer a sufficient representation of mixed human-agent network activity.\boxed{ \text{raw traffic count is no longer a sufficient representation of mixed human-agent network activity}. }

95. 結論

本文提出：

τe=(ae,ie,de,ue,ce,ℓe,re,te).\boxed{ \tau_e = ( a_e, i_e, d_e, u_e, c_e, \ell_e, r_e, t_e ). }

將 traffic 從：

NN

升級成 typed state。

第一個核心結論：

Machine Traffic≠Machine Attention.\boxed{ \text{Machine Traffic} \neq \text{Machine Attention}. }

但 AI crawler、retriever、reasoning agent、tool-using agent 在真正將有限資源配置給 semantic object 時，都可被理解成不同深度的 Machine Attention。

第二個：

Same Request Count⇏Same Value.\boxed{ \text{Same Request Count} \not\Rightarrow \text{Same Value}. }

第三個：

One Request⇏One Downstream User.\boxed{ \text{One Request} \not\Rightarrow \text{One Downstream User}. }

第四個：

Crawl⇏Use⇏Invoke⇏Pay.\boxed{ \text{Crawl} \not\Rightarrow \text{Use} \not\Rightarrow \text{Invoke} \not\Rightarrow \text{Pay}. }

第五個：一次 machine event 可以具有高 persistence 與大量 downstream reuse，因此 server request count 可以同時高估或低估真正價值。

第六個：未來 Internet economy 並不是單純由 Attention Economy 被 Invocation Economy 取代，而更可能變成：

Human Attention Economy→Dual Attention Economy→Executable Attention Economy.\boxed{ \text{Human Attention Economy} \rightarrow \text{Dual Attention Economy} \rightarrow \text{Executable Attention Economy}. }

也就是：

注意力主體由人類擴張為人類與 AI；而 AI 注意力能更直接地變成 selection、invocation、payment 與 outcome。

因此未來網站的「流量」將由單一 scalar 變成 state-space object：

T=(Actor,Intent,Depth,Utility,Conversion,Persistence,Downstream Reach).\boxed{ \mathcal T = ( \text{Actor}, \text{Intent}, \text{Depth}, \text{Utility}, \text{Conversion}, \text{Persistence}, \text{Downstream Reach} ). }

最終：

未來的流量不再只是流量大小，而是流量的主體、意圖、深度、效用、轉換、持久性與下游影響結構。\boxed{ \textbf{未來的流量不再只是流量大小，而是流量的主體、意圖、深度、效用、轉換、持久性與下游影響結構。} }

參考資料

[1] Cloudflare. (2025-07-01). Introducing Pay Per Crawl: Enabling Content Owners to Charge AI Crawlers for Access.

[2] Cloudflare. (2026-07-01). Announcing the Monetization Gateway: Charge for Any Resource Behind Cloudflare via x402.

[3] Cloudflare. (2026-07-01). Making AI Search Smarter. Section: From Pay Per Crawl to Pay Per Use.

[4] Cloudflare. (2026-07-01). Unmasking the Crawls with Attribution Business Insights.

[5] Cloudflare Agents Documentation. (2026). Agentic Payments.

[6] Cloudflare Agents Documentation. (2026). x402.

[7] Cloudflare Agents Documentation. (2026). Charge for MCP Tools.

[8] Cloudflare Agents Documentation. (2026). Charge for HTTP Content.

[9] x402 Foundation. (2026-07-14). Linux Foundation Announces Operational Launch of x402 Foundation to Standardize Internet-Native Payments for AI Agents and Applications.

[10] EOID Unified Paper 13. (2026). From Existence to Success: A Unified Theory of Existence, Discovery, Prominence, Propagation, and Outcome in Information Space.

EOID Extended Position

Core Theory

1–6. PPSS Series I
7–12. AMNESS Series II
13. EOID Unified Paper

Supplement

S1. 流量狀態空間：從人類注意力到機器可執行注意力的型別化流量理論